Zpět

Seskupovací (klastrová) analýza

  • Termín: 10. 4. 2018
  • Místo: Praha
Cena:
  • 5600 Kč + DPH
  • 200 € + DPH

Počet výukových dnů:
1 (8 vyučovacích hodin)

Výuka probíhá v jazyce:
čeština

Úroveň kurzu:
středně pokročilý

CENOVĚ VÝHODNÝ BALÍČEK KURZŮ 8 960 Kč / 320 € + DPH (za 2 kurzy)

Faktorová analýza + Seskupovací (klastrová) analýza

Seskupovací analýza umožňuje roztřídit pozorované jednotky (zákazníky, výrobky, regiony apod.) do několika skupin tak, aby si případy ve stejné skupině byly co nejvíce podobné a naopak, případy z různých skupin se co nejvíce odlišovaly.

„Kurzy jsou výborně didakticky propracované. Postup je logicky strukturovaný a doplněný o grafická schémata, což je činí maximálně srozumitelnými i pro začátečníky. Jednotlivé postupy jsou jasně charakterizovány a prezentovány na typických příkladech jejich aplikace. Kurz doporučuji především začátečníkům, ale na své si přijdou i pokročilejší analytici.“

Mgr. Ilona Kočvarová, Ph.D. 
Univerzita Tomáše Bati
Fakulta humanitních studií

Cíl vzdělávacího programu:

Cílem kurzu je seznámit posluchače s principy základních seskupovacích metod (hierarchické seskupování, K means a dvoustupňové seskupování) a ukázat možnosti jejich využití. Důraz je kladen na praktické aplikace metod, na porozumění a interpretaci výsledků a výběr vhodné metody pro daný problém. Matematické aspekty modelu a algoritmů jsou zahrnuty pouze pro vysvětlení významu a principů seskupování.

Kurz je určen:

Kurz je určen těm, kteří hledají v datech homogenní skupiny případů nebo typické, často se opakující vzory chování. Seskupovací analýza se často užívá pro řešení úlohy segmentace.

Předpoklady:

Kurz předpokládá schopnost základního ovládání PC.

Přínos účasti na kurzu:

Účastníci porozumí principu seskupování a naučí se aplikovat nejčastěji užívané seskupovací metody.

Popis obsahu a postupu:

Výuka seskupovací analýzy za podpory programového systému IBM SPSS Statistics (modul IBM SPSS Statistics Base).

Program kurzu*:

  1. podobnost/vzdálenost datových profilů
  2. různé typy měr vzdálenosti resp. podobnosti dat
  3. standardizovaná a nestandardizovaná data, význam standardizace při aplikaci měr
  4. vytváření homogenních skupin pomocí vzdáleností
  5. hierarchické seskupování: princip, kritéria tvorby skupin, vyhodnocování
  6. metoda K-means
  7. dvoustupňové seskupování
  8. volba počtu skupin
  9. využití pro další analýzu

* Ve výjimečných případech změna programu vyhrazena dle zaměření a zkušeností dané skupiny účastníků.

Používaný software:

IBM SPSS Statistics Base